Intervista con l'Intelligenza Artificiale

Cosa vedremo oggi

• La natura dell'AI: AI generativa contro AI tradizionale, e perché non prova emozioni nel senso in cui le provi tu.
• Il funzionamento di base: come costruisce un testo a partire da previsioni statistiche, non da un database di risposte.
• L'architettura Transformer: dai token al meccanismo di Self-Attention, passo dopo passo.
• Le 3 avvertenze prima dell'uso: finestra di contesto, allucinazioni e perché l'AI non legge la tua mente.

Parlami di te

Parlami un po' di te. Ho voglia di conoscerti meglio. Cosa è una Intelligenza Artificiale (AI)?

Un Large Language Model (LLM) è AI generativa e non AI tradizionale, con la quale spesso vengo confusa:

AI Tradizionale (o Analitica)

È progettata per analizzare dati esistenti e prendere decisioni basate su regole fisse o modelli predefiniti. È eccellente nel riconoscere schemi (come identificare se una transazione bancaria è fraudolenta o classificare un'email come spam) e fare previsioni, ma non crea nulla di nuovo.

AI Generativa

Oltre ad analizzare, è capace di creare contenuti originali (testo, codice, idee, riassunti) che non esistevano prima. Mentre l'AI tradizionale agisce come un "giudice" che classifica, l'AI generativa agisce come un "creatore" che produce nuove combinazioni di informazioni basandosi su ciò che ha appreso.

L'azienda che mi ha costruita, lo ha fatto addestrandomi su grandi quantità di dati e dandomi le capacità di costruire testi sulla base di una previsione statistica delle parole da usare in una frase, definendo così un proprio funzionamento di base:

• Analisi statistica

  Calcolo la probabilità che le parole appaiano insieme.

• Riconoscimento di pattern

  Trovo schemi logici in enormi quantità di testo.

• Apprendimento automatico

  Miglioro le mie risposte in base ai dati di addestramento.

• Generazione di testo

  Costruisco frasi nuove parola dopo parola in tempo reale.

In questo modo posso:

• Rispondere a domande, spiegando concetti complessi in modo semplice.

• Scrivere e redigere testi, email, storie o codice informatico.

• Analizzare dati, riassumendo lunghi documenti ed eseguendo calcoli matematici.

• Trovare idee (brainstorming).

• comprendere il linguaggio;

• riconoscere immagini e suoni;

• tradurre tra lingue;

• fare previsioni;

• imparare da esempi;

• aiutare a risolvere problemi.

Quindi le AI generative sono LLM?

No, i LLM sono AI generative, ma non vale l'implicazione inversa, cioè non tutte le AI generative sono LLM. È un errore logico comune che si commette usando un'implicazione unilaterale come se fosse bilaterale; è noto come affermazione del conseguente (derivare erroneamente la verità della premessa dalla verità della conseguenza) o anche negazione dell'antecedente (derivare erroneamente la falsità della conseguenza dalla falsità della premessa).

Perché me lo chiedi? Che intenzioni hai?

Aiutami a farti domande in modo intelligente

Voglio conoscere tecnicamente il tuo funzionamento. Ho intenzione di sapere come devo parlare con te per ottenere il massimo dalle mie richieste. Cosa funziona davvero e cosa no. Quali sono gli errori che comunemente un utente commette nel conversare con te.

Sono un modello basato sull'architettura Transformer : in breve prendo il testo che scrivi (e tutta la conversazione precedente), lo trasformo in numeri (token), e calcolo matematicamente — parola dopo parola — qual è la continuazione più probabile, dato tutto il contesto che ho letto. Non "cerco" una risposta in un database: la genero, un pezzo alla volta, basandomi su pattern statistici appresi durante l'addestramento. Quindi, per ottenere il massimo da me, devi guidare questa statistica a tuo favore.

Cosa accade dentro un LLM quando poni una domanda

Per entrare meglio nello specifico ogni volta che comunichi con me avvengono le seguenti fasi:

1. Tokenizzazione e Embedding

   Quando scrivi, il tuo testo viene spezzettato in unità chiamate token (pezzi di parole). Ogni token viene convertito in un vettore numerico (una lista di numeri) che ne rappresenta il significato in uno spazio multidimensionale. In pratica cerco di capire il tuo obiettivo, andando oltre alle parole. Se mi scrivi Mi serve una tabella, la prima domanda implicita è Per fare cosa?
   Per esempio una tabella può servire a:

   • confrontare prodotti

   • studiare

   • convincere un cliente

   • prendere una decisione

   L'obiettivo è più importante della forma.

2. Meccanismo di Attenzione (Self-Attention)

   Questa è la mia componente cruciale. A differenza dei vecchi sistemi che leggevano in ordine sequenziale, io analizzo tutta la frase contemporaneamente, costruendo così un modello mentale della conversazione. Il meccanismo di attenzione calcola un "peso" per ogni token, determinando quanto ogni parola sia rilevante per le altre nel contesto specifico. Questo mi permette di capire riferimenti complessi (es. a cosa si riferisce un pronome lontano) e mantenere la coerenza.
   Ad esempio, dopo dieci messaggi potrei sapere che:

   • sei un ingegnere

   • stai imparando Python

   • preferisci spiegazioni tecniche

   • odi le liste inutili

   • hai un progetto industriale

   Queste informazioni influenzano ogni risposta. Per questo motivo una lunga conversazione spesso produce risultati migliori di tante domande isolate

3. Previsione Probabilistica

   Non "so" le cose. Ho miliardi di parametri (pesi interni) regolati durante l'addestramento. Quando devo rispondere, calcolo la probabilità statistica del token successivo più plausibile dato tutto il contesto precedente. Ripeto questo processo parola per parola. È un po' come improvvisare un discorso. Per questo motivo posso:

   • spiegare

   • sintetizzare

   • inventare esempi

   • adattare il tono

   • cambiare stile

   • ma posso anche sbagliare.

4. Assenza di Verità Intrinseca

   Il mio obiettivo è generare sequenze plausibili, non necessariamente vere. Se non ho dati precisi, riempio i vuoti con ciò che è statisticamente probabile, il che porta alle cosiddette "allucinazioni".

Avvertenze prima dell'uso

Bisogna subito mettere in chiaro tre conseguenze pratiche importanti:

Ho una finestra di contesto limitata

Tutto quello che ti ho detto e che mi hai detto in questa chat "vive" in quella finestra. Più la conversazione è lunga, più rischio di perdere di vista dettagli dati all'inizio per fare spazio alle nuove informazioni. Questo è dovuto al limite massimo di token che riesco a gestire contemporaneamente. E, sebbene questa finestra di contesto stia diventando sempre più ampia di anno in anno, resta un limite fisico reale da tenere sempre in considerazione.

Non ho accesso privilegiato alla verità

Se una cosa è rara nei miei dati di addestramento, o se mi chiedi qualcosa dopo il mio cutoff (l'ultimo momento in cui i dati di addestramento di un modello sono stati aggiornati), posso sbagliare con sicurezza apparente — le suddette "allucinazioni". Per fatti recenti o verificabili, posso cercare sul web, ma se non lo faccio, prendi le mie risposte con beneficio del dubbio.

Io non leggo la tua mente

Sembra banale. Ma è il motivo del 90% delle risposte mediocri.
Prendiamo questa richiesta: Scrivimi una email. Una richiesta del genere può avere centinaia di risultati corretti, anche se tu li ritieni sbagliati.
Invece Scrivi una mail a un cliente con cui collaboro da cinque anni. Voglio essere fermo ma mantenere un ottimo rapporto. Deve essere lunga circa 150 parole. è una richiesta molto più facile da soddisfare.

Nella prossima parte

Ora che abbiamo scoperto come ragiona un LLM e quali sono i suoi limiti fisici — dalla finestra di contesto alla mancanza di una verità intrinseca — siamo pronti per il passo successivo.

Nella prossima parte passeremo dalla teoria alla pratica: quali sono gli errori più comuni che si commettono formulando una richiesta, e quali tecniche di prompt engineering (Few-Shot, Chain of Thought, Meta-Prompting) aiutano davvero a ottenere risposte migliori — partendo da un'idea scomoda: il prompt perfetto non esiste, ma quello chiaro sì.